Nörobilimciler Neden Zamanı Frekansa Dönüştürür?

Zaman-Frekans Dönüşümü Nedir?

Dönüşüm süreci, genellikle zamana karşı genlik olarak ölçülen ham veri dizilerinin bir frekans spektrumuna dönüştürülmesini içerir. Bu matematiksel geçiş, araştırmacıların sadece ham voltaj veya basınç dalgalanmalarını değil, bir sinyali oluşturan ritmik bileşenleri gözlemlemesini sağlar. Verilere bu açıdan bakarak, karmaşık veri kümelerindeki ince kalıpların sınıflandırılması ve daha ileri analizler için yorumlanması önemli ölçüde kolaylaşır.

Temelleri Anlamak: Zaman Alanından Frekans Alanına

Standart sinyal kaydında, zamansal boyut olayların gerçekleşme sırasını temsil eder ve anında izleme için sezgisel olan kronolojik bir sırayı korur. Bununla birlikte, birçok dinamik sistem, sinirbilim (neuroscience) ile ilişkili nöronların ritmik aktivitesi gibi, sadece ham sinyale bakarak kolayca ayırt edilemeyen tekrarlayıcı davranışlar sergiler.

Frekans perspektifine geçiş, etkili bir analitik filtre görevi görerek bireysel ritimleri ve bunların genel sinyal yapısına olan göreceli katkılarını izole etmeyi sağlar.

Matematiksel Temel: Fourier Dönüşümü

Fourier Dönüşümü, herhangi bir karmaşık salınımlı sinyalin, daha basit sinüs ve kosinüs dalgalarının ağırlıklı toplamı olarak ifade edilebileceği ilkesine dayanır. Bu matematiksel işlem esasen bir ayrıştırma gerçekleştirerek, başlangıçtaki karmaşıklığından bağımsız olarak bir sinyalin altında yatan periyodik yapıyı ortaya çıkarır.

Bu dönüşümü uygulayan bir araştırmacı, zamansal veri noktalarını, yatay eksenin frekansı ve dikey eksenin her bir spesifik frekans bileşeninin gücünü veya genliğini gösterdiği yeni bir alana eşler.

Zaman-Frekans Analizi Neden Önemlidir?

Sinyalleri frekans alanında analiz etmek, gürültü veya daha büyük, karışık dalga formları içine gömülmüş belirli fenomenleri izole etmek için gereklidir. Bu yaklaşım, sensörlerden ve ölçüm cihazlarından ilgili Insight'ları elde etmek için doğru sinyal işlemeye (signal processing) dayanan çeşitli alanlarda yaygın olarak benimsenmiştir.

Sinyal İşlemedeki Uygulamalar

Mühendisler genellikle ilgilenilen birincil bilgiyi maskeleyebilen, arka plan girişimleri veya ortamdaki elektriksel gürültüyle kirlenmiş sinyallerle karşılaşırlar. Frekans bileşimine bakan analitik teknikler, ana verilere zarar vermeden istenmeyen belirli aralıkların sönümlendiği hassas filtrelemeye olanak tanır.

Bu yetenek, modern iletişim sistemleri ve sensör teknolojileri için temel teşkil ederek, geçerli sinyal tepe noktalarının net kalmasını ve sonraki işlemler için yorumlanabilir olmasını sağlar.

Ses ve Konuşma Analizinde Insight'lar

İnsan konuşması ve doğal sesler, her biri altta yatan kaynağın tınısını ve tonunu karakterize eden birden fazla örtüşen frekanstan oluşur. Bu sinyallerin frekans alanına dönüştürülmesi, araştırmacıların formantları haritalandırmasına veya akustikte sıkça karşılaşılan bir gereksinim olan zamanla değişen konuşma özelliklerini tespit etmesine olanak tanır.

Bu sinyalleri spektrogram olarak ele alan analistler, belirli ses kusurlarını veya bir akustik kaynağı diğerinden ayıran kalıpları gösterebilecek geçici varyasyonları izleyebilirler.

Biyomedikal Mühendisliğindeki Kullanım Durumları

Tıbbi ortamlarda, biyolojik elektriksel çıktının hassas ölçümü, sağlığı gözlemlemek ve nörolojik durumları (neurological conditions) teşhis etmek için kritik öneme sahiptir. EEG'yi (EEG) birincil araç olarak kullanan doktorlar beyin dalgası kalıplarını kaydedebilirken, araştırmacılar farklı uyanıklık durumlarıyla ilişkili ritmik davranışları incelemek için özel frekans analizleri kullanırlar.

PCI Veri Toplama (PCI Data Acquisition) donanımı gibi özel ekipmanların entegrasyonu, yüksek doğrulukta verilerin yakalanmasını sağlar; bu veriler daha sonra anlamlı teşhis Insight'ları sağlamak üzere frekans alanı dönüşümleri aracılığıyla işlenir.

Zamanı Frekansa Dönüştürmek İçin Yaygın Yöntemler

Zamansal verileri dönüştürmek için her biri farklı sinyal kararlılığı düzeylerine ve hassasiyet gereksinimlerine uygun çeşitli algoritmalar mevcuttur. Uygun bir yöntemin seçimi, sinyalin doğasına ve nihai spektral çıktının gerekli çözünürlüğüne bağlıdır.

Kısa Zamanlı Fourier Dönüşümü (STFT)

Bu yöntem, uzun bir sinyali daha küçük, örtüşen pencerelere bölerek, frekans içeriğinin nasıl geliştiğini gözlemlemek için her biri üzerinde bir Fourier dönüşümü gerçekleştirir. Özellikle mükemmel şekilde durağan olmayan ancak kısa süreler boyunca kararlı kalan sinyaller için kullanışlıdır.

Zamanı Frekansa Manuel Olarak Dönüştürme

Yazılımlar hesaplamanın büyük kısmını otomatikleştirirken, periyodik sinyallerin manuel dönüşümünü anlamak, döngü süresinin tanımlanmasını gerektirir. Periyodun tersi hesaplanarak, olayın tam bir döngüyü tamamlama hızı belirlenir ve bu da Hertz cinsinden ölçülen frekans değerini verir.

Bu tablo, daha kısa bir döngü süresinin önemli ölçüde daha yüksek bir frekans çıktısıyla sonuçlandığı, periyot ile frekans arasındaki ters ilişkiyi göstermektedir.

Hızlı Tahminler İçin Frekanstan Zamana Dönüştürücü Kullanma

Uygulayıcılar, kapsamlı hesaplamalar yapmadan zaman ve frekans arasındaki boşluğu doldurmak için genellikle tahmin araçları kullanırlar. Bu araçlar, veri analizi sırasında hızlı yapılandırma için genellikle şu özellikleri sunar:

• Döngüsel zamanın otomatik olarak hertz cinsine dönüştürülmesi.

• Milisaniye ve mikrosaniye gibi birden çok ölçek birimi desteği.

• Dönüşümü tersine çevirmek için işlevlerin anında yer değiştirmesi.

• Sinyal kararlılığının görsel karşılaştırması için anında grafik çizimi.

Bu hesaplayıcılar, araştırma ortamında daha karmaşık dijital filtreleme veya spektral ayrıştırma teknikleri uygulanmadan önce bir ilk değerlendirme sağlar.

Dalgacık Dönüşümü (Wavelet Transform)

Geleneksel Fourier yaklaşımlarının aksine, Dalgacık Dönüşümü hem düşük hem de yüksek frekanslı bileşenleri aynı anda analiz etmek için ölçeklenebilir pencereler kullanır. Bu, pencereli STFT analizi için çok hızlı gerçekleşen geçici deşarjlar veya ani yükselmeler gibi ani sinyal değişimlerinin daha iyi lokalize edilmesini sağlar.

Tek bir geçişte yüksek zamansal ve frekans hassasiyeti gerektiren alanlarda son derece değerlidir.

Görünmez Prizma: Zamanı Frekansa Dönüştürmek

Beyin aktivitesinin tek bir anı nadiren tek bir temiz dalgadan oluşur. Daha çok, tek bir karmaşık ton oluşturmak için birkaç notanın birlikte tınladığı bir müzik akoru gibi davranır.

Akora sadece bir bütün olarak kulak verirseniz, bireysel notaları değil, bir karışımı duyarsınız. Aynı sorun ham bir EEG (raw EEG) kaydı için de geçerlidir. Herhangi bir anda, yavaş, orta ve hızlı salınımlar eşzamanlı olarak gerçekleşir ve zaman alanı görünümü bunları analiz edilmesi zor, tek bir dalga formu halinde üst üste yığar.

Bu dalga formunu frekans alanına dönüştürmek sinyale yeni bir bilgi eklemez. Mevcut bilgiyi yeniden düzenler, böylece farklı salınımlar ayrı bileşenler olarak görünür hale gelir. Bu yeniden düzenlemenin, araştırmacıların gürültülü verileri ne kadar iyi temizleyebileceği ve anlamlı kalıpları ne kadar iyi tespit edebileceği üzerinde ölçülebilir, pratik sonuçları vardır.

EEG kayıtlarındaki en kalıcı kirlilik kaynaklarından biri olan göz kırpma parazitlerini ele alalım. Gözler hareket ettiğinde, elektrookülogram (EOG) adı verilen elektriksel sinyal yakındaki EEG kanallarına sızar ve veriyi bozar. İlk düzeltme girişimleri, gözlerden saç derisine olan sızıntının tüm ritimlerde tutarlı davrandığını, bu nedenle basit bir zaman alanı çıkarımının her yerde eşit derecede iyi çalışması gerektiğini varsayıyordu.

Kenemans ve arkadaşları bu varsayımı doğrudan test etti. Araştırmacılar, hem simüle edilmiş hem de gerçek verileri kullanarak üç temizleme stratejisini karşılaştırdı:

1. Basit bir zaman alanı regresyonu

2. Daha karmaşık, çoklu gecikmeli bir zaman alanı regresyonu

3. Frekans alanı regresyonu.

Gözden saç derisine elektriksel geçiş frekanstan bağımsız olduğunda, yani tüm ritimlerde aynı şekilde davrandığında, her üç yöntem de eşit derecede iyi performans gösterdi. Ancak geçiş frekansa bağlı olduğunda, yani kirlenme dahil olan ritme göre değiştiğinde, basit zaman alanı yöntemi orijinal EEG'yi tam olarak yeniden yapılandıramadı.

Yalnızca frekans alanı yaklaşımı ve daha sofistike olan çoklu gecikmeli zaman alanı yöntemi bu değişkenliği açıklayabildi. Bu durum, beyin sinyali parazitlerinin her zaman zaman içinde tekdüze davranmadığını ve bazen yalnızca frekansa duyarlı bir bakış açısının gerçek beyin aktivitesini kirlilikten doğru şekilde ayırabileceğini göstermektedir.

Bu yeniden çerçevelemenin getirisi, nöbet tespitinde daha da çarpıcı hale gelmektedir. 2018 yılında yapılan bir çalışma, ham zaman alanı EEG sinyalleri bir sınıflandırma sistemine beslendiğinde, saç derisi kayıtlarındaki doğruluk oranının bazı deneylerde yüzde 60 gibi düşük bir seviyeye gerilediğini buldu; bu sonuç, belirli sınıflandırma görevleri için yazı tura atmaktan çok farklı değildir. Aynı veri önce frekans alanına dönüştürüldüğünde, aynı görevdeki doğruluk oranı yaklaşık yüzde 96'ya yükseldi.

Bir nöbet durumunu doğru şekilde belirlemek için gereken bilgi tüm süre boyunca kayıtta mevcuttu. Sadece sinyal frekans bileşenleri üzerinden görülene kadar görünür değildi.

Frekans Görünümü Neden Önemlidir: Gürültüden Hayat Değiştiren Uygulamalara

Zamandan frekansa geçiş soyut bir teknik tercih değildir. Çok farklı dört uygulamada somut sonuçları vardır.

Daha Net Parazit Temizleme

Göz hareketleri ve göz kırpmaları, gözler tarafından üretilen elektriksel sinyal yakındaki saç derisi elektrotlarına yayılabildiğinden, EEG kayıtlarında kronik bir kirlilik kaynağıdır.

Kenemans ve arkadaşlarının çalışması, bu kirliliğin tüm frekanslarda her zaman sabit bir oranda aktarılmadığını gösterdi. Aktarım frekansa bağlı olduğunda, temel bir zaman alanı düzeltmesi yetersiz kalırken, bir frekans alanı regresyon yöntemi orijinal beyin sinyalini başarıyla yeniden yapılandırdı.

Yanlış düzeltme yöntemi uygulandığında düzeltilmemiş göz parazitleri gerçek beyin aktivitesiyle karıştırılabileceğinden, bu durum temiz sinyal kalitesinin gerekli olduğu her uygulama için kritik öneme sahiptir.

Beyniniz İmzanızdır

Journal of Neural Engineering bünyesinde yayınlanan bir çalışma, bir kişinin genel beyin ritmi kalıbının farklı kayıt seanslarında ve hatta saç derisindeki farklı sensör yerleşimlerinde son derece kararlı kaldığını buldu. Bir tür EEG parmak izi olarak tanımlanan bu tutarlılık, en çok alfa bandında güçlüydü ancak 1 ila 40 Hz arasındaki geniş bir aralıkta tespit edilebiliyordu.

Dikkat çekici bir şekilde, bu tanımlayıcı imza, denekler tamamen farklı bilişsel görevler gerçekleştirirken bile korundu; bu da kalıbın, o andaki belirli bir zihinsel aktiviteye verilen bir tepki olmaktan ziyade bir bireyin beyni hakkında yapısal olarak kararlı bir şeyi yansıttığını gösteriyor.

Bu ritimlerin ayırt etme gücü, araştırmacıların frekans aralığı boyunca W şeklinde bir model olarak tanımladığı ve en güçlü tanımlama zirvesinin 10 Hz alfa ritmi etrafında ortalandığı bir seyir izledi. Bu bulgu, gelecekte beyin aktivitesini güvenli bir kişisel doğrulama biçimi olarak kullanabilecek biyometrik kimlik doğrulama sistemleri için doğrudan önem taşımaktadır.

Duyguları Okumak

Duygusal durumlar beyin ritmi kalıplarında ölçülebilir izler bırakır ve Petrantonakis ve ekibi tarafından yapılan bir çalışma, bu izlerin ham zaman alanı sinyali yerine en iyi zaman-frekans alanında yakalandığını gösteriyor. Araştırmacılar, uyarlanabilir bir bölümleme yaklaşımı kullanarak ve frontal alfa asimetrisini ölçerek, farklı değerlik (valence) ve uyarılma (arousal) kombinasyonlarını ayırt edebilen ve duygusal durumları rastgele tahminden beklenebilecek seviyenin çok üzerinde doğru şekilde sınıflandıran bir sistem kurdular.

Frekans tabanlı bu tür duygu tespiti, kullanıcının ruh haline veya duygusal katılımına yanıt vermek üzere tasarlanmış beyin-bilgisayar arayüzlerine (brain-computer interfaces) yönelik artan ilgiyle ilişkilidir; ancak test edilen belirli duygusal kategorilere bağlı olarak yaklaşık yüzde 64 ila 83 arasında değişen bildirilen sınıflandırma doğruluğu, bunun kesin bir duygusal çıktıdan ziyade olasılıksal bir araç olmaya devam ettiğini göstermektedir.

Epilepsiyi Yenmek

Frekans alanının pratik değerinin belki de en çarpıcı göstergesi epilepsi araştırmalarından gelmektedir. Bahsi geçen 2018 araştırma çalışması, iktal, preiktal ve interiktal beyin durumlarını ayırt etmekle görevlendirilen bir evrişimli sinir ağına girdi olarak zaman alanı ve frekans alanı sinyallerini doğrudan karşılaştırdı.

Kafatası içi Freiburg veri tabanında, frekans alanı girdisi üç ayrı sınıflandırma deneyinde yüzde 92 ile 97 arasında ortalama doğruluklar sağlarken, aynı veri tabanındaki zaman alanı girdisi yaklaşık yüzde 84 ile 91 arasında değişen doğruluklar üretti. Aradaki fark, frekans alanı doğruluğunun yaklaşık yüzde 93 ile 98 arasında yüksek kaldığı, zaman alanı doğruluğunun ise bazı deneylerde yalnızca yüzde 48 ila 62 aralığına gerilediği, saç derisinden kaydedilen CHB-MIT veri tabanında önemli ölçüde açıldı.

Bu durum, belirli kayıt koşulları, özellikle de saç derisi EEG'si için, ham zaman alanı sinyalinin güvenilir otomatik nöbet sınıflandırması için gereken çözülebilir yapıdan yoksun olabileceğini, aynı sinyalin frekans alanı yeniden düzenlemesinin ise altta yatan kalıbı bir makine öğrenimi sistemi için erişilebilir kıldığını göstermektedir.

Ayrıca, Madhavan ve arkadaşları 2020 çalışmalarında doğrudan tespite değil, özellikle lokalizasyona odaklanarak bu kavramı daha da ileri taşımaktadır. Ayrıntılı zaman-frekans gösterimleri oluşturmak için sünkrosıkıştırma dönüşümü (synchrosqueezing transform) adı verilen bir tekniği derin bir evrişimli sinir ağı ile birleştiren çalışma, nöbetleri tetiklemekten sorumlu epileptojenik bölgeden kaynaklanan fokal EEG sinyallerini, beynin başka yerlerinden kaynaklanan fokal olmayan sinyallerden ayırt etmede yüzde 99'un üzerinde doğruluk, duyarlılık ve seçicilik değerleri elde etti.

Bu hassasiyet seviyesi, nöbet aktivitesinden sorumlu tam beyin bölgesinin doğru şekilde tanımlanmasının güvenli ve etkili cerrahi müdahale için bir ön koşul olduğu epilepsi cerrahisi ile doğrudan ilgilidir.

Yaşayan Beyne Yeni Bir Mercek

Zaman içinde dolaşan tek bir voltaj hattının belirgin ritimlerden oluşan bir spektruma dönüşmesi, EEG'yi en başta okunabilir kılan mekanizmadır. Bu olmadan, saç derisi verilerinden çalışan bir nöbet tespit algoritması şanstan biraz daha iyi performans gösterebilir.

Bununla birlikte, aynı algoritma doğrulukta %90'ların ortalarına tırmanabilir. Bu olmadan, ince göz kırpma parazitleri gerçek beyin aktivitesi gibi görünebilir.

Frekansa duyarlı düzeltme ile bu kirlilik daha güvenilir bir şekilde ayrıştırılabilir. Bu olmadan, birinin beyin ritimlerindeki, en güçlü şekilde alfa bandında yoğunlaşan kararlı, kişiye özel kalıp görünmez kalır. Bununla birlikte, o kalıp ölçülebilir bir imza haline gelir.

Bu uygulamaların hiçbiri EEG sinyaline yeni bilgi eklenmesini gerektirmedi. Mevcut bilgilerin, anlamlı kalıpların nihayet gürültüden ayırt edilebileceği bir formda yeniden düzenlenmesini gerektirdiler.

Zamandan frekansa geçiş olan bu yeniden düzenleme, karmaşık bir voltaj kaydını delta, teta, alfa, beta ve gama aktivitesinin yapılandırılmış bir kaydına dönüştürerek araştırmacılara ve klinisyenlere uyku, duygusal durumlar, bireysel kimlik ve nörolojik hastalıkları yaşayan beyinde ortaya çıkarken incelemek için daha net, invaziv olmayan bir yol sunar.

Referanslar

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

Sıkça Sorulan Sorular

Sinirbilimciler neden EEG sinyallerini zamandan frekansa dönüştürür?

Ham bir EEG kaydı, farklı hızlardaki birden fazla beyin ritmini tek bir karmaşık dalga formunda üst üste yığarak bireysel kalıpların görülmesini zorlaştırır. Frekans alanına dönüştürmek, bu sinyali, beyaz ışığı renklerine ayıran bir prizma gibi ayrı bileşen frekanslarına bölerek her ritmin kendi başına incelenebilmesini sağlar.

Frekans görünümü, göz kırpma paraziti temizliğini nasıl iyileştirir?

Göz kırpma kirliliği, EEG frekans bantlarında farklı şekilde aktarılabilir, bu da basit bir zamana dayalı çıkarımın genellikle başarısız olduğu anlamına gelir. Frekans alanı regresyonu, bu frekansa bağlı farklılıkları hesaba katarak gerçek beyin sinyalinin daha doğru bir şekilde yeniden yapılandırılmasını sağlar.

Zaman alanı yerine frekans alanı kullanıldığında nöbet tespit doğruluğuna ne olur?

Nöbetle ilgili kalıplar ham sinyalde mevcuttur ancak zaman alanında görünmezler. Frekans analizi verileri yeniden düzenler, böylece bir sınıflandırıcı %90'ın üzerinde doğruluk elde edebilir; oysa ham zaman alanı girdisi, saç derisi kayıtlarında bazen rastgele tahminden daha iyi bir performans gösteremez.

Alfa ritmi neden güçlü bir biyometrik tanımlayıcı olarak kabul edilir?

Alfa aktivitesi, farklı görevler ve kayıt seansları boyunca tutarlı kalan, 10 Hz civarında belirgin ve kararlı bir tepe noktası gösterir. Bu kararlılık, bir bireyin temel beyin yapısını yansıtır ve bu da onu kişi tanıma için güvenilir bir EEG parmak izi haline getirir.

EEG frekans kalıpları duygusal durumları nasıl gösterebilir?

Sol ve sağ frontal beyin bölgeleri arasındaki alfa gücünü karşılaştıran frontal alfa asimetrisi, duygusal değerlik ve uyarılma ile farklılık gösterir. Frekans alanı analizi, bu asimetri kalıplarını yakalayarak duygusal durumların rastgele tahmin seviyelerinin oldukça üzerinde sınıflandırılmasına olanak tanır.

Epilepsi cerrahisinde nöbet başlangıç bölgelerini lokalize etmek için frekans analizi neden gereklidir?

Kısa, yüksek frekanslı gama patlamaları ve tüm bantlardaki kaymalar epileptojenik bölgeyi işaret eder. Sünkrosıkıştırma gibi zaman-frekans teknikleri bu kalıpları ayrıntılı gösterimlere dönüştürerek derin öğrenme modellerinin fokal nöbet sinyallerini fokal olmayan sinyallerden çok yüksek bir hassasiyetle ayırmasını sağlar; bu da güvenli cerrahi planlama için bir ön koşuldur.